Las estaciones meteorológicas y climáticas son imprescindibles recopilación de datos precisos y actualizados sobre el clima y las condiciones atmosféricas en una determinada región. Los datos producidos por las estaciones son utilizados por diversas disciplinas, desde la meteorología a la climatología, pasando por múltiples aplicaciones de la ingeniería, la producción agraria, el urbanismo y la geografía, entre otros campos (World Meteorological Organization 1996; Meteorological Organization) 2017a, 2017b).
Una buena red es esencial para la toma de decisiones informadas en una variedad de campos y es fundamental para el bienestar y la seguridad de las comunidades y del medio ambiente en general. Planificar una red adecuada de estaciones meteorológicas y climáticas (EMC) es fundamental para la gestión del territorio. Estudios previos, incluyendo en la República Dominicana, indican la falta de EMC en áreas importantes, una distribución espacial no uniforme y una precisión variable debido a sitios inadecuados (Theochari et al. 2021; Rojas Briceño et al. 2021; Frei 2003; Programa Mundial de Alimentos (PMA) 2019).
La mayor parte de los países han evaluado, algunos incluso varias veces, el diseño de su red de estaciones, y han propuesto mejoras que en muchos casos han implementado satisfactoriamente (frei2003?). También, varios países disponen de protocolos para la selección de sitios, los cuales comúnmente se han armonizado con estándares de la OMM o los amplían para adaptarlos a las particularidades de su territorio y a los usos previstos (Rojas Briceño et al. 2021; theochari2021?).
La República Dominicana es altamente vulnerable a los impactos del cambio climático y una red insuficiente de estaciones meteorológicas exacerba esta vulnerabilidad. Es necesario mejorar y expandir la red de estaciones meteorológicas, lo que requiere inversión en tecnología e infraestructura, así como alianzas entre agencias gubernamentales, entidades privadas e instituciones de investigación [CITAS]. Sin embargo, para realizar inversiones que optimicen al máximo los escasos recursos disponibles, se requiere producir, evaluar y seleccionar alternativas de redes de EMC utilizando criterios debidamente ponderados.
Varias investigaciones consultadas, concernientes al diseño de redes de estaciones climáticas, meteorológicas e hidrometeorológicas, coinciden en señalar que la metodología idónea para el diseño de redes de estaciones debería incluir una análisis multicriterio (MCA), y su extensión para la toma de decisiones (MCDM, siglas en inglés de “toma de decisiones basada en multicriterio”). Esta familia de métodos se basa en la colecta y análisis, mediante sistemas de información geográfica (SIG), de atributos de terreno integrados por grandes volúmenes de datos geoespaciales del territorio a instrumentar, pero al mismo tiempo incluyendo criterios específicos del público meta también espacializados en el territorio (Rojas Briceño et al. 2021; Theochari et al. 2021; Tekleyohannes et al. 2021). Aunque, varias investigaciones han mostrado el buen rendimiento que aportan determinadas técnicas geoestadísticas tradicionales (Ali and Othman 2018; Valipour, Ghorbani, and Asadi 2019), así como algoritmos contemporáneos de deep learning en combinación con técnicas tradicionales (Safavi, Siuki, and Hashemi 2021), o incluso la entropía (Bertini et al. 2021), los métodos MCA son preferidos por su facilidad de uso y porque ayudan a comprender mejor los atributos de terreno.
El denominado “proceso analítico jerárquico”, mejor conocido como AHP (analytic hierarchy process), es un método de selección de alternativas multicriterio que se fundamenta en la teoría general de los MCA, así como en la base de conocimientos de la jerarquía analítica. Fue desarrollado por Thomas Saaty en la década de 1970 (Thomas L. Saaty 1977), con varias revisiones posteriores (Thomas L. Saaty 2001; Thomas L. Saaty and Tran 2007), y se utiliza para tomar decisiones cuando se deben considerar múltiples criterios y alternativas. Tradicionalmente, el método AHP se ha utilizado en investigaciones del ámbito de las ingenierías, ciencias sociales, económicas y empresariales, e igualmente en la toma de decisiones donde intervienen datos geoespaciales (Thomas L. Saaty 2013; Darko et al. 2019; Podvezko 2009; Subramanian and Ramanathan 2012; Breaz, Bologa, and Racz 2017). Recientemente, fue usado de forma eficiente en la selección de sitios idóneos para la instalación de estaciones meteoclimáticas en Perú (Rojas Briceño et al. 2021).
El método AHP consiste en descomponer un problema complejo en una estructura jerárquica de criterios y subcriterios, para luego comparar distintas alternativas en función de cada uno de dichos criterios. El proceso se realiza en varias etapas, que incluyen, identificar los objetivos y criterios relevantes para el problema, crear una estructura jerárquica de los criterios y subcriterios, comparar los criterios y subcriterios mediante una matriz de comparación en parejas (paso clave), calcular los valores de prioridad de cada criterio (paso clave), comparar las alternativas, calcular los valores de prioridad de cada alternativa en función de cada criterio y, finalmente, calcular los valores totales de prioridad de cada alternativa.
El método AHP es ampliamente utilizado en la toma de decisiones y en la planificación estratégica, ya que permite elegir entre varias opciones considerando valoraciones de criterios, y porque tiene en cuenta la importancia relativa de los criterios elegidos. Esta importancia relativa se asigna, normalmente, por medio de consultas hechas a personas con experiencia en el área de conocimiento donde se enmarque el problema en cuestión.
En este estudio, aplicamos AHP para seleccionar sitios idóneos donde instalar estaciones meteoclimáticas en República Dominicana, garantizando la eficiencia de la red, maximizando recursos y evitando redundancia información. Para ello, nos apoyamos tanto en fuentes de información geoespacial sistemáticamente producidas, como en consultas a personas con experiencia en temas climáticos y meteorológicos.
Aplicamos una secuencia de tres técnicas interdependientes para formular distintas alternativas de redes de observación meteoclimático. En primer lugar, aplicamos un proceso analítico jerárquico (AHP), que se utiliza para seleccionar la mejor opción entre diferentes alternativas, utilizando criterios de selección ponderados por personas con conocimiento del problema (Thomas L. Saaty 2013). Las repuestas originales normalmente deben organizarse y recodificarse y, posteriormente, se debe evaluar su consistencia. A continuación, se seleccionan las respuestas consistentes, o se ajustan las inconsistentes, y se establece la ponderación de criterios. Finalmente, la ponderación definida, se aplica a las fuentes de información disponible para obtener una lista de alternativas, de entre las cuales, se selecciona la más idónea de acuerdo con los criterios definidos.
Tanto el diseño de los formularios, como el procesamiento de respuestas y la ponderación de criterios, los realizamos empleando lenguajes de programación. Para diseñar los formularios, empleamos paquetes y funciones de Python, mientras que para los análisis nos auxiliamos del paquete ahpsurvey y otros del entorno de programación estadística R, diseñado para tales fines (Cho 2019; R Core Team 2021; Wickham et al. 2019). Describimos estos pasos detalladamente en la sección Información suplementaria.
Los resultados de la aplicación del método AHP fueron usados como entrada de una simple aplicación de factores limitantes, específicamente de localización de accesos y cuerpos de agua. Esto consistió en, simplemente, eliminar aquellos hexágonos que se encontraran dentro en la categoría “no idóneo” para los criterios “distancia a accesos” y “distancia a cuerpos de agua”.
Finalmente, al resultado del análisis anterior, le aplicamos un análisis de proximidad entre estaciones existentes y propuestas, utilizando umbrales de separación propuestos por la Organización Meteorológica Mundial (Design et al. 1976; Meteorological Organization) 2020). Esto tuvo como objetivo proponer alternativas que garantizaran homogeneidad en la distribución espacial de los sitios propuestos (más detalles en la sección Información suplementaria).
La importancia otorgada por expertos por medio del método AHP a los criterios preseleccionados, generó la tabla de pesos agregados.
kable_prefagg
| Variable | AggPref | SD.AggPref |
|---|---|---|
| estacionalidad pluviométrica | 0.27 | 0.04 |
| horas de insolación | 0.18 | 0.11 |
| estacionalidad térmica | 0.17 | 0.08 |
| elevación | 0.12 | 0.05 |
| heterogeneidad de hábitat | 0.09 | 0.05 |
| distancia a accesos | 0.07 | 0.03 |
| distancia a cuerpos de agua | 0.06 | 0.03 |
| pendiente | 0.04 | 0.02 |
Aplicamos una secuencia de tres técnicas interdependientes para formular distintas alternativas de redes de observación meteoclimático. En primer lugar, aplicamos un proceso analítico jerárquico (AHP). Posteriormente, los resultados del AHP fueron usados como entrada de una simple aplicación de factores limitantes, específicamente de localización de accesos y cuerpos de agua. Finalmente, al resultado del análisis anterior, le aplicamos un análisis de proximidad para proponer alternativas que garantizaran homogeneidad en la distribución espacial de los sitios propuestos.
library(kableExtra)
library(tidyverse)
library(ahpsurvey)
estilo_kable <- function(df, titulo = '', cubre_anchura = T) {
df %>% kable(format = 'html', escape = F, booktabs = T, digits = 2, caption = titulo) %>%
kable_styling(bootstrap_options = c("hover", "condensed"), full_width = cubre_anchura)
}
variables <- c(
acce = "distancia a accesos",
temp = "estacionalidad térmica",
pluv = "estacionalidad pluviométrica",
habi = "heterogeneidad de hábitat",
agua = "distancia a cuerpos de agua",
pend = "pendiente",
inso = "horas de insolación",
elev = "elevación"
)
col_ord <- as.vector(sapply(as.data.frame(combn(names(variables), 2)), paste0, collapse = '_'))
El método AHP consiste en descomponer un problema complejo en una estructura jerárquica de criterios y subcriterios, que consisten en variables o atributos del terreno en nuestro caso, y luego comparar las alternativas en función de cada uno de estos criterios. Los variables se comparan en parejas (o pares, comparación pareada), en la que se asigna un valor numérico a la importancia relativa de cada criterio en relación con los demás. La evaluación pareada se realiza para cada par único de variables; así, el número de comparaciones posibles es \(\frac{N(N-1)}{2}\)
En nuestro caso, dado que comparamos 8 atributos (variables) en parejas, realizamos un total de \((8\times7)/2=28\) comparaciones. Los atributos seleccionados fueron distancia a accesos, estacionalidad térmica, estacionalidad pluviométrica, heterogeneidad de hábitat, distancia a cuerpos de agua, pendiente, horas de insolación, elevación. Para evitar errores de redundancia y garantizar un diseño sistemático y eficiente, empleamos Formularios de Google al cual titulamos como “Formulario de comparación pareada de criterios de identificación de sitios idóneos para una red de observación climática”. Programamos en Python las posibles comparaciones por pares y, seguidamente, a través de la API del Google Workspace, enviamos el diseño para su puesta en línea. Un total de nueve personas del área de climatología, análisis de datos y geografía física, rellenaron el formulario.
Para procesar los resultados de las consultas y generar una tabla de preferencias global con la cual construimos los pesos, en primer lugar generamos una tabla (no confundir con la matriz de comparación por parejas) donde cada columna es una comparación de dos atributos, por ejemplo A y B. Dado que la escala de valoración por parejas del método AHP, en sentido estricto, se apoya en ecuaciones lineales, en el fondo se utiliza una escala ordinal basada en un gradiente, que en el método original, usa números enteros 1 al 9. Esto significa que, al asignar “1”, estamos indicando que los criterios comparados, por ejemplo, A y B, tienen la misma importancia. Del 2 al 9, el criterio B tiene mayor importancia, de manera creciente, que el A. Por otra parte, el grado de importancia de A sobre B se denota por medio de recíprocos {1/2 , 1/3, ..., 1/8, 1/9} y usando un gradiente inverso, es decir, la fracción más pequeña (1/9) indica mayor importancia relativa para el criterio A. Para denotar las valoraciones complementarias, el paquete ahpsurvey permite usar opuestos {-2, -3, ..., -8, -9}, que luego son recodificados a recíprocos en la matriz de comparación por parejas; preferiremos esta opción, es decir, usar opuestos, porque nos facilitó la recodificación con expresiones regulares.
Luego de recoger las valoraciones realizadas por medio de consultas en una tabla, el siguiente paso consistió en obtener la matriz de comparación por parejas, que tiene la siguiente forma:
\[ \mathbf{S_k} =\begin{pmatrix} a_{1,1} & a_{1,2} & \cdots & a_{1,N} \\ a_{2,1} & a_{2,2} & \cdots & a_{2,N} \\ \vdots & \vdots & a_{i,j} & \vdots \\ a_{N,1} & a_{N,2} & \cdots & a_{N,N} \end{pmatrix} \]
donde \(a_{i,j}\) representa la comparación del atributo \(i\) y \(j\). Tal como se ha comentado, si \(i\) es más importante que \(j\) en 6 unidades, \(a_{i,j} = 6\) y \(a_{j,i} = \frac{1}{6}\), es decir, el recíproco. Los datos de las comparaciones deben organizarse en esta forma matricial para realizar los análisis subsiguientes.
En el estudio, utilizamos una escala modificada basada en sólo 7 posibles puntuaciones, recodificamos las puntuaciones de formulario de la siguiente manera: el valor 0 a 1 (usamos 0 en los formularios para facilitar la comprensión de la escala a los encuestados); los valores 33%, 66% y 100%, los distribuimos en el rango 2 a 9 de la siguiente manera:
valor_formulario <- c('(100)', '(66)', '(33)', '0', '33', '66', '100')
recod_repartida <- FALSE
if(recod_repartida) {
recodificado_ahp <- round(c(0-(2+3*((9-2)/3)), 0-(2+2*((9-2)/3)), 0-(2+((9-2)/3)),
1,
2+((9-2)/3), 2+2*((9-2)/3), 2+3*((9-2)/3)
),
2)
} else {
recodificado_ahp <- c(-9, -6, -3,
1,
3, 6, 9)
}
data.frame(
`Valor en formulario` = valor_formulario,
`Recodificado a escala AHP original` = recodificado_ahp,
check.names = F) %>%
kable(format = 'html', escape = F, booktabs = T,
caption = 'Tabla de recodificación de puntaciones de formulario a escala AHP original') %>%
kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T)
| Valor en formulario | Recodificado a escala AHP original |
|---|---|
| (100) | -9 |
| (66) | -6 |
| (33) | -3 |
| 0 | 1 |
| 33 | 3 |
| 66 | 6 |
| 100 | 9 |
Por otro lado, creamos un “diccionario” (vector nombrado variables) de equivalencias entre los nombres largos de columnas de la tabla de resultados (que provienen escritas en el lenguaje natural de los formularios) y nombres cortos de cuatro caracteres. Este diccionario lo utilizamos para recodificar los nombres de las columnas de la tabla de respuestas a nombres cortos, con lo cual mejoramos la legibilidad de las representaciones gráficas y las impresiones de tablas y matrices de resultados.
as.data.frame(variables) %>%
rownames_to_column() %>%
setNames(nm = c('Código', 'Nombre completo')) %>%
kable(format = 'html', escape = F, booktabs = T,
caption = 'Tabla de equivalencias de nombres de las variables evaluadas') %>%
kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T)
| Código | Nombre completo |
|---|---|
| acce | distancia a accesos |
| temp | estacionalidad térmica |
| pluv | estacionalidad pluviométrica |
| habi | heterogeneidad de hábitat |
| agua | distancia a cuerpos de agua |
| pend | pendiente |
| inso | horas de insolación |
| elev | elevación |
Con la tabla de equivalencias de puntuaciones y el diccionario de nombres, recodificamos programáticas las respuestas obtenidas en los formularios a la escala original del método AHP, así como los nombres de columnas de la tabla de respuestas de comparación de atributos. En primer lugar, mostramos cómo realizamos la recodificación de puntuaciones.
La tabla de resultados de las puntuaciones en bruto (anonimizada), obtenida a partir del rellenado en Google Forms por parte de 9 consultados, se muestra a continuación.
tabla_original <- read_csv('fuentes/respuestas-ahp/respuestas.csv')
tabla_en_bruto <- tabla_original[, -grep('Marca|Opcionalmente', colnames(tabla_original))]
tabla_en_bruto %>%
kable(format = 'html', escape = F, booktabs = T,
caption = 'Tabla de resultados en bruto (anonimizada) obtenida a partir del rellenado del "Formulario de comparación pareada de criterios de identificación de sitios idóneos para una red de observación climática"') %>%
kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T)
| Valora la importancia relativa de las variables horas de insolación y elevación | Valora la importancia relativa de las variables pendiente y elevación | Valora la importancia relativa de las variables pendiente y horas de insolación | Valora la importancia relativa de las variables distancia a cuerpos de agua y elevación | Valora la importancia relativa de las variables distancia a cuerpos de agua y horas de insolación | Valora la importancia relativa de las variables distancia a cuerpos de agua y pendiente | Valora la importancia relativa de las variables heterogeneidad de hábitat y elevación | Valora la importancia relativa de las variables heterogeneidad de hábitat y horas de insolación | Valora la importancia relativa de las variables heterogeneidad de hábitat y pendiente | Valora la importancia relativa de las variables heterogeneidad de hábitat y distancia a cuerpos de agua | Valora la importancia relativa de las variables estacionalidad pluviométrica y elevación | Valora la importancia relativa de las variables estacionalidad pluviométrica y horas de insolación | Valora la importancia relativa de las variables estacionalidad pluviométrica y pendiente | Valora la importancia relativa de las variables estacionalidad pluviométrica y distancia a cuerpos de agua | Valora la importancia relativa de las variables estacionalidad pluviométrica y heterogeneidad de hábitat | Valora la importancia relativa de las variables estacionalidad térmica y elevación | Valora la importancia relativa de las variables estacionalidad térmica y horas de insolación | Valora la importancia relativa de las variables estacionalidad térmica y pendiente | Valora la importancia relativa de las variables estacionalidad térmica y distancia a cuerpos de agua | Valora la importancia relativa de las variables estacionalidad térmica y heterogeneidad de hábitat | Valora la importancia relativa de las variables estacionalidad térmica y estacionalidad pluviométrica | Valora la importancia relativa de las variables distancia a accesos y elevación | Valora la importancia relativa de las variables distancia a accesos y horas de insolación | Valora la importancia relativa de las variables distancia a accesos y pendiente | Valora la importancia relativa de las variables distancia a accesos y distancia a cuerpos de agua | Valora la importancia relativa de las variables distancia a accesos y heterogeneidad de hábitat | Valora la importancia relativa de las variables distancia a accesos y estacionalidad pluviométrica | Valora la importancia relativa de las variables distancia a accesos y estacionalidad térmica |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 33: Importancia moderada para elevación | 100: Importancia máxima para elevación | 100: Importancia máxima para horas de insolación | 66: Importancia fuerte para elevación | 66: Importancia fuerte para horas de insolación | 0: Igual importancia para distancia a cuerpos de agua y pendiente | 0: Igual importancia para heterogeneidad de hábitat y elevación | (33): Importancia moderada para heterogeneidad de hábitat | (66): Importancia fuerte para heterogeneidad de hábitat | (66): Importancia fuerte para heterogeneidad de hábitat | (66): Importancia fuerte para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | (100): Importancia máxima para estacionalidad pluviométrica | (100): Importancia máxima para estacionalidad pluviométrica | (33): Importancia moderada para estacionalidad pluviométrica | 0: Igual importancia para estacionalidad térmica y elevación | (66): Importancia fuerte para estacionalidad térmica | (100): Importancia máxima para estacionalidad térmica | (100): Importancia máxima para estacionalidad térmica | 0: Igual importancia para estacionalidad térmica y heterogeneidad de hábitat | 0: Igual importancia para estacionalidad térmica y estacionalidad pluviométrica | 33: Importancia moderada para elevación | 33: Importancia moderada para horas de insolación | (66): Importancia fuerte para distancia a accesos | 0: Igual importancia para distancia a accesos y distancia a cuerpos de agua | 100: Importancia máxima para heterogeneidad de hábitat | 100: Importancia máxima para estacionalidad pluviométrica | 100: Importancia máxima para estacionalidad térmica |
| 33: Importancia moderada para elevación | 33: Importancia moderada para elevación | 66: Importancia fuerte para horas de insolación | 33: Importancia moderada para elevación | 33: Importancia moderada para horas de insolación | (33): Importancia moderada para distancia a cuerpos de agua | 0: Igual importancia para heterogeneidad de hábitat y elevación | 33: Importancia moderada para horas de insolación | (33): Importancia moderada para heterogeneidad de hábitat | 0: Igual importancia para heterogeneidad de hábitat y distancia a cuerpos de agua | 0: Igual importancia para estacionalidad pluviométrica y elevación | (66): Importancia fuerte para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | (33): Importancia moderada para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | 0: Igual importancia para estacionalidad térmica y elevación | (33): Importancia moderada para estacionalidad térmica | (66): Importancia fuerte para estacionalidad térmica | (33): Importancia moderada para estacionalidad térmica | (66): Importancia fuerte para estacionalidad térmica | 0: Igual importancia para estacionalidad térmica y estacionalidad pluviométrica | 0: Igual importancia para distancia a accesos y elevación | 0: Igual importancia para distancia a accesos y horas de insolación | (33): Importancia moderada para distancia a accesos | 0: Igual importancia para distancia a accesos y distancia a cuerpos de agua | 0: Igual importancia para distancia a accesos y heterogeneidad de hábitat | 33: Importancia moderada para estacionalidad pluviométrica | 33: Importancia moderada para estacionalidad térmica |
| (100): Importancia máxima para horas de insolación | (100): Importancia máxima para pendiente | (100): Importancia máxima para pendiente | (33): Importancia moderada para distancia a cuerpos de agua | (66): Importancia fuerte para distancia a cuerpos de agua | (66): Importancia fuerte para distancia a cuerpos de agua | (66): Importancia fuerte para heterogeneidad de hábitat | (100): Importancia máxima para heterogeneidad de hábitat | (100): Importancia máxima para heterogeneidad de hábitat | (100): Importancia máxima para heterogeneidad de hábitat | (100): Importancia máxima para estacionalidad pluviométrica | (100): Importancia máxima para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | (100): Importancia máxima para estacionalidad pluviométrica | (100): Importancia máxima para estacionalidad pluviométrica | (100): Importancia máxima para estacionalidad térmica | (100): Importancia máxima para estacionalidad térmica | (100): Importancia máxima para estacionalidad térmica | (100): Importancia máxima para estacionalidad térmica | (100): Importancia máxima para estacionalidad térmica | (100): Importancia máxima para estacionalidad térmica | (100): Importancia máxima para distancia a accesos | (100): Importancia máxima para distancia a accesos | (100): Importancia máxima para distancia a accesos | (100): Importancia máxima para distancia a accesos | (100): Importancia máxima para distancia a accesos | (100): Importancia máxima para distancia a accesos | (100): Importancia máxima para distancia a accesos |
| (66): Importancia fuerte para horas de insolación | 0: Igual importancia para pendiente y elevación | 33: Importancia moderada para horas de insolación | 0: Igual importancia para distancia a cuerpos de agua y elevación | 66: Importancia fuerte para horas de insolación | 0: Igual importancia para distancia a cuerpos de agua y pendiente | 66: Importancia fuerte para elevación | 66: Importancia fuerte para horas de insolación | 0: Igual importancia para heterogeneidad de hábitat y pendiente | 0: Igual importancia para heterogeneidad de hábitat y distancia a cuerpos de agua | 0: Igual importancia para estacionalidad pluviométrica y elevación | 0: Igual importancia para estacionalidad pluviométrica y horas de insolación | (66): Importancia fuerte para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | 66: Importancia fuerte para elevación | 66: Importancia fuerte para horas de insolación | 0: Igual importancia para estacionalidad térmica y pendiente | 0: Igual importancia para estacionalidad térmica y distancia a cuerpos de agua | 0: Igual importancia para estacionalidad térmica y heterogeneidad de hábitat | 66: Importancia fuerte para estacionalidad pluviométrica | 0: Igual importancia para distancia a accesos y elevación | 66: Importancia fuerte para horas de insolación | 0: Igual importancia para distancia a accesos y pendiente | 0: Igual importancia para distancia a accesos y distancia a cuerpos de agua | 0: Igual importancia para distancia a accesos y heterogeneidad de hábitat | 66: Importancia fuerte para estacionalidad pluviométrica | 0: Igual importancia para distancia a accesos y estacionalidad térmica |
| 33: Importancia moderada para elevación | (33): Importancia moderada para pendiente | (66): Importancia fuerte para pendiente | 0: Igual importancia para distancia a cuerpos de agua y elevación | (66): Importancia fuerte para distancia a cuerpos de agua | 0: Igual importancia para distancia a cuerpos de agua y pendiente | 66: Importancia fuerte para elevación | (33): Importancia moderada para heterogeneidad de hábitat | 0: Igual importancia para heterogeneidad de hábitat y pendiente | 0: Igual importancia para heterogeneidad de hábitat y distancia a cuerpos de agua | (33): Importancia moderada para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | (33): Importancia moderada para estacionalidad pluviométrica | 0: Igual importancia para estacionalidad pluviométrica y heterogeneidad de hábitat | 66: Importancia fuerte para elevación | (66): Importancia fuerte para estacionalidad térmica | (33): Importancia moderada para estacionalidad térmica | 33: Importancia moderada para distancia a cuerpos de agua | 0: Igual importancia para estacionalidad térmica y heterogeneidad de hábitat | 33: Importancia moderada para estacionalidad pluviométrica | 0: Igual importancia para distancia a accesos y elevación | (33): Importancia moderada para distancia a accesos | (33): Importancia moderada para distancia a accesos | 33: Importancia moderada para distancia a cuerpos de agua | 33: Importancia moderada para heterogeneidad de hábitat | 33: Importancia moderada para estacionalidad pluviométrica | 33: Importancia moderada para estacionalidad térmica |
| 33: Importancia moderada para elevación | (66): Importancia fuerte para pendiente | (66): Importancia fuerte para pendiente | (66): Importancia fuerte para distancia a cuerpos de agua | (66): Importancia fuerte para distancia a cuerpos de agua | 0: Igual importancia para distancia a cuerpos de agua y pendiente | 66: Importancia fuerte para elevación | 33: Importancia moderada para horas de insolación | 66: Importancia fuerte para pendiente | 66: Importancia fuerte para distancia a cuerpos de agua | (66): Importancia fuerte para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | (33): Importancia moderada para estacionalidad pluviométrica | (33): Importancia moderada para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad térmica | (66): Importancia fuerte para estacionalidad térmica | (66): Importancia fuerte para estacionalidad térmica | (66): Importancia fuerte para estacionalidad térmica | (66): Importancia fuerte para estacionalidad térmica | 0: Igual importancia para estacionalidad térmica y estacionalidad pluviométrica | (66): Importancia fuerte para distancia a accesos | (66): Importancia fuerte para distancia a accesos | (66): Importancia fuerte para distancia a accesos | (66): Importancia fuerte para distancia a accesos | (33): Importancia moderada para distancia a accesos | 0: Igual importancia para distancia a accesos y estacionalidad pluviométrica | 0: Igual importancia para distancia a accesos y estacionalidad térmica |
| 66: Importancia fuerte para elevación | 66: Importancia fuerte para elevación | (33): Importancia moderada para pendiente | 100: Importancia máxima para elevación | (33): Importancia moderada para distancia a cuerpos de agua | 66: Importancia fuerte para pendiente | (33): Importancia moderada para heterogeneidad de hábitat | (100): Importancia máxima para heterogeneidad de hábitat | (66): Importancia fuerte para heterogeneidad de hábitat | (100): Importancia máxima para heterogeneidad de hábitat | (66): Importancia fuerte para estacionalidad pluviométrica | (100): Importancia máxima para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | 66: Importancia fuerte para heterogeneidad de hábitat | 66: Importancia fuerte para elevación | 0: Igual importancia para estacionalidad térmica y horas de insolación | 66: Importancia fuerte para pendiente | (33): Importancia moderada para estacionalidad térmica | 100: Importancia máxima para heterogeneidad de hábitat | 66: Importancia fuerte para estacionalidad pluviométrica | (66): Importancia fuerte para distancia a accesos | (100): Importancia máxima para distancia a accesos | (66): Importancia fuerte para distancia a accesos | (100): Importancia máxima para distancia a accesos | (33): Importancia moderada para distancia a accesos | (33): Importancia moderada para distancia a accesos | (100): Importancia máxima para distancia a accesos |
| 0: Igual importancia para horas de insolación y elevación | 0: Igual importancia para pendiente y elevación | (66): Importancia fuerte para pendiente | 33: Importancia moderada para elevación | 0: Igual importancia para distancia a cuerpos de agua y horas de insolación | 66: Importancia fuerte para pendiente | 0: Igual importancia para heterogeneidad de hábitat y elevación | 33: Importancia moderada para horas de insolación | (66): Importancia fuerte para heterogeneidad de hábitat | 66: Importancia fuerte para distancia a cuerpos de agua | 0: Igual importancia para estacionalidad pluviométrica y elevación | (33): Importancia moderada para estacionalidad pluviométrica | 100: Importancia máxima para pendiente | 33: Importancia moderada para distancia a cuerpos de agua | (66): Importancia fuerte para estacionalidad pluviométrica | 33: Importancia moderada para elevación | 0: Igual importancia para estacionalidad térmica y horas de insolación | (33): Importancia moderada para estacionalidad térmica | 33: Importancia moderada para distancia a cuerpos de agua | (33): Importancia moderada para estacionalidad térmica | 33: Importancia moderada para estacionalidad pluviométrica | 0: Igual importancia para distancia a accesos y elevación | 0: Igual importancia para distancia a accesos y horas de insolación | 66: Importancia fuerte para pendiente | (33): Importancia moderada para distancia a accesos | 33: Importancia moderada para heterogeneidad de hábitat | 33: Importancia moderada para estacionalidad pluviométrica | 0: Igual importancia para distancia a accesos y estacionalidad térmica |
| (66): Importancia fuerte para horas de insolación | 0: Igual importancia para pendiente y elevación | 66: Importancia fuerte para horas de insolación | (33): Importancia moderada para distancia a cuerpos de agua | 33: Importancia moderada para horas de insolación | (33): Importancia moderada para distancia a cuerpos de agua | 0: Igual importancia para heterogeneidad de hábitat y elevación | 33: Importancia moderada para horas de insolación | (33): Importancia moderada para heterogeneidad de hábitat | 33: Importancia moderada para distancia a cuerpos de agua | (66): Importancia fuerte para estacionalidad pluviométrica | 0: Igual importancia para estacionalidad pluviométrica y horas de insolación | (66): Importancia fuerte para estacionalidad pluviométrica | (66): Importancia fuerte para estacionalidad pluviométrica | (33): Importancia moderada para estacionalidad pluviométrica | (33): Importancia moderada para estacionalidad térmica | 0: Igual importancia para estacionalidad térmica y horas de insolación | (33): Importancia moderada para estacionalidad térmica | (33): Importancia moderada para estacionalidad térmica | (33): Importancia moderada para estacionalidad térmica | 0: Igual importancia para estacionalidad térmica y estacionalidad pluviométrica | (33): Importancia moderada para distancia a accesos | 33: Importancia moderada para horas de insolación | (33): Importancia moderada para distancia a accesos | (33): Importancia moderada para distancia a accesos | 0: Igual importancia para distancia a accesos y heterogeneidad de hábitat | 33: Importancia moderada para estacionalidad pluviométrica | 33: Importancia moderada para estacionalidad térmica |
Utilizamos una forma muy eficiente de recodificar, que consistió en aplicar expresiones regulares a las respuestas originales para extraer el valor de interés (e.g. “33”), y luego empleamos la función match para asociar dicha puntuación con su correspondiente valor en la escala AHP original.
tabla_recodificada <- sapply(
tabla_en_bruto[, grep('^Valora.*', colnames(tabla_en_bruto))],
function(x){
sustituido <- gsub('(^[0-9]*|\\([0-9]*\\)):.*', '\\1', x)
# paste(sustituido, '=', reescalado[match(sustituido, valor_formulario)]) #For testing
recodificado_ahp[match(sustituido, valor_formulario)]
})
tabla_recodificada %>%
kable(format = 'html', escape = F, booktabs = T,
caption = 'Tabla de puntaciones recodificadas') %>%
kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T)
| Valora la importancia relativa de las variables horas de insolación y elevación | Valora la importancia relativa de las variables pendiente y elevación | Valora la importancia relativa de las variables pendiente y horas de insolación | Valora la importancia relativa de las variables distancia a cuerpos de agua y elevación | Valora la importancia relativa de las variables distancia a cuerpos de agua y horas de insolación | Valora la importancia relativa de las variables distancia a cuerpos de agua y pendiente | Valora la importancia relativa de las variables heterogeneidad de hábitat y elevación | Valora la importancia relativa de las variables heterogeneidad de hábitat y horas de insolación | Valora la importancia relativa de las variables heterogeneidad de hábitat y pendiente | Valora la importancia relativa de las variables heterogeneidad de hábitat y distancia a cuerpos de agua | Valora la importancia relativa de las variables estacionalidad pluviométrica y elevación | Valora la importancia relativa de las variables estacionalidad pluviométrica y horas de insolación | Valora la importancia relativa de las variables estacionalidad pluviométrica y pendiente | Valora la importancia relativa de las variables estacionalidad pluviométrica y distancia a cuerpos de agua | Valora la importancia relativa de las variables estacionalidad pluviométrica y heterogeneidad de hábitat | Valora la importancia relativa de las variables estacionalidad térmica y elevación | Valora la importancia relativa de las variables estacionalidad térmica y horas de insolación | Valora la importancia relativa de las variables estacionalidad térmica y pendiente | Valora la importancia relativa de las variables estacionalidad térmica y distancia a cuerpos de agua | Valora la importancia relativa de las variables estacionalidad térmica y heterogeneidad de hábitat | Valora la importancia relativa de las variables estacionalidad térmica y estacionalidad pluviométrica | Valora la importancia relativa de las variables distancia a accesos y elevación | Valora la importancia relativa de las variables distancia a accesos y horas de insolación | Valora la importancia relativa de las variables distancia a accesos y pendiente | Valora la importancia relativa de las variables distancia a accesos y distancia a cuerpos de agua | Valora la importancia relativa de las variables distancia a accesos y heterogeneidad de hábitat | Valora la importancia relativa de las variables distancia a accesos y estacionalidad pluviométrica | Valora la importancia relativa de las variables distancia a accesos y estacionalidad térmica |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3 | 9 | 9 | 6 | 6 | 1 | 1 | -3 | -6 | -6 | -6 | -6 | -9 | -9 | -3 | 1 | -6 | -9 | -9 | 1 | 1 | 3 | 3 | -6 | 1 | 9 | 9 | 9 |
| 3 | 3 | 6 | 3 | 3 | -3 | 1 | 3 | -3 | 1 | 1 | -6 | -6 | -3 | -6 | 1 | -3 | -6 | -3 | -6 | 1 | 1 | 1 | -3 | 1 | 1 | 3 | 3 |
| -9 | -9 | -9 | -3 | -6 | -6 | -6 | -9 | -9 | -9 | -9 | -9 | -6 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 |
| -6 | 1 | 3 | 1 | 6 | 1 | 6 | 6 | 1 | 1 | 1 | 1 | -6 | -6 | -6 | 6 | 6 | 1 | 1 | 1 | 6 | 1 | 6 | 1 | 1 | 1 | 6 | 1 |
| 3 | -3 | -6 | 1 | -6 | 1 | 6 | -3 | 1 | 1 | -3 | -6 | -6 | -3 | 1 | 6 | -6 | -3 | 3 | 1 | 3 | 1 | -3 | -3 | 3 | 3 | 3 | 3 |
| 3 | -6 | -6 | -6 | -6 | 1 | 6 | 3 | 6 | 6 | -6 | -6 | -3 | -3 | -6 | -6 | -6 | -6 | -6 | -6 | 1 | -6 | -6 | -6 | -6 | -3 | 1 | 1 |
| 6 | 6 | -3 | 9 | -3 | 6 | -3 | -9 | -6 | -9 | -6 | -9 | -6 | -6 | 6 | 6 | 1 | 6 | -3 | 9 | 6 | -6 | -9 | -6 | -9 | -3 | -3 | -9 |
| 1 | 1 | -6 | 3 | 1 | 6 | 1 | 3 | -6 | 6 | 1 | -3 | 9 | 3 | -6 | 3 | 1 | -3 | 3 | -3 | 3 | 1 | 1 | 6 | -3 | 3 | 3 | 1 |
| -6 | 1 | 6 | -3 | 3 | -3 | 1 | 3 | -3 | 3 | -6 | 1 | -6 | -6 | -3 | -3 | 1 | -3 | -3 | -3 | 1 | -3 | 3 | -3 | -3 | 1 | 3 | 3 |
En segundo lugar, aplicamos la recodificación de nombres de columnas de la tabla de respuestas, que originalmente eran transcripciones de las preguntas del formulario de Google. Este paso nos ayudó a representar nombres más cortos en la tabla que posteriormente usamos como insumo (ver tabla 5) para crear la matriz de comparación por parejas del método AHP.
tabla_col_renom <- tabla_recodificada
cambiar_nombre_por_variable <- function(primera=T) {
names(
variables[match(
gsub('(^.*variables )(.*?)( y )(.*$)',
ifelse(primera, '\\2', '\\4'),
colnames(tabla_col_renom)),
variables)])
}
colnames(tabla_col_renom) <- paste0(
cambiar_nombre_por_variable(),
'_',
cambiar_nombre_por_variable(primera = F)
)
tabla_col_renom %>%
kable(format = 'html', escape = F, booktabs = T,
caption = 'Tabla de columnas renombradas (adaptada para la generación de la matriz de comparación en parejas)') %>%
kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T)
| inso_elev | pend_elev | pend_inso | agua_elev | agua_inso | agua_pend | habi_elev | habi_inso | habi_pend | habi_agua | pluv_elev | pluv_inso | pluv_pend | pluv_agua | pluv_habi | temp_elev | temp_inso | temp_pend | temp_agua | temp_habi | temp_pluv | acce_elev | acce_inso | acce_pend | acce_agua | acce_habi | acce_pluv | acce_temp |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3 | 9 | 9 | 6 | 6 | 1 | 1 | -3 | -6 | -6 | -6 | -6 | -9 | -9 | -3 | 1 | -6 | -9 | -9 | 1 | 1 | 3 | 3 | -6 | 1 | 9 | 9 | 9 |
| 3 | 3 | 6 | 3 | 3 | -3 | 1 | 3 | -3 | 1 | 1 | -6 | -6 | -3 | -6 | 1 | -3 | -6 | -3 | -6 | 1 | 1 | 1 | -3 | 1 | 1 | 3 | 3 |
| -9 | -9 | -9 | -3 | -6 | -6 | -6 | -9 | -9 | -9 | -9 | -9 | -6 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 | -9 |
| -6 | 1 | 3 | 1 | 6 | 1 | 6 | 6 | 1 | 1 | 1 | 1 | -6 | -6 | -6 | 6 | 6 | 1 | 1 | 1 | 6 | 1 | 6 | 1 | 1 | 1 | 6 | 1 |
| 3 | -3 | -6 | 1 | -6 | 1 | 6 | -3 | 1 | 1 | -3 | -6 | -6 | -3 | 1 | 6 | -6 | -3 | 3 | 1 | 3 | 1 | -3 | -3 | 3 | 3 | 3 | 3 |
| 3 | -6 | -6 | -6 | -6 | 1 | 6 | 3 | 6 | 6 | -6 | -6 | -3 | -3 | -6 | -6 | -6 | -6 | -6 | -6 | 1 | -6 | -6 | -6 | -6 | -3 | 1 | 1 |
| 6 | 6 | -3 | 9 | -3 | 6 | -3 | -9 | -6 | -9 | -6 | -9 | -6 | -6 | 6 | 6 | 1 | 6 | -3 | 9 | 6 | -6 | -9 | -6 | -9 | -3 | -3 | -9 |
| 1 | 1 | -6 | 3 | 1 | 6 | 1 | 3 | -6 | 6 | 1 | -3 | 9 | 3 | -6 | 3 | 1 | -3 | 3 | -3 | 3 | 1 | 1 | 6 | -3 | 3 | 3 | 1 |
| -6 | 1 | 6 | -3 | 3 | -3 | 1 | 3 | -3 | 3 | -6 | 1 | -6 | -6 | -3 | -3 | 1 | -3 | -3 | -3 | 1 | -3 | 3 | -3 | -3 | 1 | 3 | 3 |
El conjunto de datos de la tabla 5 recoge las respuestas dadas por las 9 personas consultada, cada una compuesta por 28 comparaciones en parejas de criterios (8 criterios). Analicemos algunos ejemplos para ilustrar el flujo seguido en la recodificación y los cambios de nombres de columnas de la tabla de resultados.
La primera fila contiene las valoraciones realizadas por la persona consultada número 1. En la primera pregunta, “Valora la importancia relativa de las variables horas de insolación y elevación”, el consultado respondió “33: Importancia moderada para elevación” (ver tabla 3). Dicha valoración fue recodificada a puntuaciones AHP con el valor 3 (ver tabla 4); nótese que el valor recodificado es positivo, dado que el criterio que recibió la mayor importancia fue el que ocupaba la segunda posición en la pregunta.
Finalmente, tras realizar el renombrado, la columna en cuestión paso de nombrarse “Valora la importancia relativa de las variables horas de insolación y elevación” a inso_elev (ver tabla 5). Esta cambio nos permitirá manejar atributos cortos en la matriz de comparación por parejas.
Ilustremos el uso del signo con otro ejemplo. Observemos la respuesta de la persona 1 a la octava pregunta (“Valora la importancia relativa de las variables heterogeneidad de hábitat y horas de insolación”). Notaremos que su respuesta fue “(33): Importancia moderada para heterogeneidad de hábitat”, dando mayor importancia al criterio que ocupa la primera posición. Esta valoración se recodificó a -3 (negativo) en la escala AHP, y la columna fue renombrada a habi_inso. La recodificación valores y de nombres de columnas es un paso crítico del AHP, porque es común la comisión de errores que terminan “colándose” hacia insumos del análisis. Es además el paso previo a la construcción de una matriz de comparación en parejas consistente, que es el insumo principal del AHP.
Este paso resultó relativamente fácil, puesto que en pasos posteriores se elaboraron los insumos que necesita la función ahp.mat del paquete ahpsurvey. Es importante remarcar una particularidad sobre el orden las columnas. El parámetro atts de la función ahp.mat debe contener un vector con los nombres de los atributos comparados, en nuestro caso, las 8 variables ya mencionadas. El orden de este vector es muy importante, pues la función ahp.mat espera que las columnas de la tabla fuente se encuentren en el siguiente orden: atributo1_atributo2, atributo1_atributo3, …, atributo1_atributo8, atributo2_atributo3, atributo2_atributo4, …, atributo2_atributo8, …, atributo7_atributo8. Este objeto ya fue creado arriba mediante la función combn, y fue nombrado como col_ord. Por lo tanto, reordenaremos las columnas de la tabla de respuestas recodificadas usando dicho vector.
matriz_ahp <- tabla_col_renom[, col_ord] %>%
ahp.mat(atts = names(variables), negconvert = TRUE)
map(matriz_ahp,
~ kable(x = .x, format = 'html', escape = F, booktabs = T, digits = 2) %>%
kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T)
)
[[1]]
| acce | temp | pluv | habi | agua | pend | inso | elev | |
|---|---|---|---|---|---|---|---|---|
| acce | 1.00 | 0.11 | 0.11 | 0.11 | 1 | 6 | 0.33 | 0.33 |
| temp | 9.00 | 1.00 | 1.00 | 1.00 | 9 | 9 | 6.00 | 1.00 |
| pluv | 9.00 | 1.00 | 1.00 | 3.00 | 9 | 9 | 6.00 | 6.00 |
| habi | 9.00 | 1.00 | 0.33 | 1.00 | 6 | 6 | 3.00 | 1.00 |
| agua | 1.00 | 0.11 | 0.11 | 0.17 | 1 | 1 | 0.17 | 0.17 |
| pend | 0.17 | 0.11 | 0.11 | 0.17 | 1 | 1 | 0.11 | 0.11 |
| inso | 3.00 | 0.17 | 0.17 | 0.33 | 6 | 9 | 1.00 | 0.33 |
| elev | 3.00 | 1.00 | 0.17 | 1.00 | 6 | 9 | 3.00 | 1.00 |
| acce | temp | pluv | habi | agua | pend | inso | elev | |
|---|---|---|---|---|---|---|---|---|
| acce | 1.00 | 0.33 | 0.33 | 1.00 | 1.00 | 3 | 1.00 | 1.00 |
| temp | 3.00 | 1.00 | 1.00 | 6.00 | 3.00 | 6 | 3.00 | 1.00 |
| pluv | 3.00 | 1.00 | 1.00 | 6.00 | 3.00 | 6 | 6.00 | 1.00 |
| habi | 1.00 | 0.17 | 0.17 | 1.00 | 1.00 | 3 | 0.33 | 1.00 |
| agua | 1.00 | 0.33 | 0.33 | 1.00 | 1.00 | 3 | 0.33 | 0.33 |
| pend | 0.33 | 0.17 | 0.17 | 0.33 | 0.33 | 1 | 0.17 | 0.33 |
| inso | 1.00 | 0.33 | 0.17 | 3.00 | 3.00 | 6 | 1.00 | 0.33 |
| elev | 1.00 | 1.00 | 1.00 | 1.00 | 3.00 | 3 | 3.00 | 1.00 |
| acce | temp | pluv | habi | agua | pend | inso | elev | |
|---|---|---|---|---|---|---|---|---|
| acce | 1.00 | 9.00 | 9.00 | 9.00 | 9.00 | 9.00 | 9.00 | 9 |
| temp | 0.11 | 1.00 | 9.00 | 9.00 | 9.00 | 9.00 | 9.00 | 9 |
| pluv | 0.11 | 0.11 | 1.00 | 9.00 | 9.00 | 6.00 | 9.00 | 9 |
| habi | 0.11 | 0.11 | 0.11 | 1.00 | 9.00 | 9.00 | 9.00 | 6 |
| agua | 0.11 | 0.11 | 0.11 | 0.11 | 1.00 | 6.00 | 6.00 | 3 |
| pend | 0.11 | 0.11 | 0.17 | 0.11 | 0.17 | 1.00 | 9.00 | 9 |
| inso | 0.11 | 0.11 | 0.11 | 0.11 | 0.17 | 0.11 | 1.00 | 9 |
| elev | 0.11 | 0.11 | 0.11 | 0.17 | 0.33 | 0.11 | 0.11 | 1 |
| acce | temp | pluv | habi | agua | pend | inso | elev | |
|---|---|---|---|---|---|---|---|---|
| acce | 1 | 1 | 0.17 | 1 | 1 | 1 | 0.17 | 1.00 |
| temp | 1 | 1 | 0.17 | 1 | 1 | 1 | 0.17 | 0.17 |
| pluv | 6 | 6 | 1.00 | 6 | 6 | 6 | 1.00 | 1.00 |
| habi | 1 | 1 | 0.17 | 1 | 1 | 1 | 0.17 | 0.17 |
| agua | 1 | 1 | 0.17 | 1 | 1 | 1 | 0.17 | 1.00 |
| pend | 1 | 1 | 0.17 | 1 | 1 | 1 | 0.33 | 1.00 |
| inso | 6 | 6 | 1.00 | 6 | 6 | 3 | 1.00 | 6.00 |
| elev | 1 | 6 | 1.00 | 6 | 1 | 1 | 0.17 | 1.00 |
| acce | temp | pluv | habi | agua | pend | inso | elev | |
|---|---|---|---|---|---|---|---|---|
| acce | 1.00 | 0.33 | 0.33 | 0.33 | 0.33 | 3.00 | 3 | 1.00 |
| temp | 3.00 | 1.00 | 0.33 | 1.00 | 0.33 | 3.00 | 6 | 0.17 |
| pluv | 3.00 | 3.00 | 1.00 | 1.00 | 3.00 | 6.00 | 6 | 3.00 |
| habi | 3.00 | 1.00 | 1.00 | 1.00 | 1.00 | 1.00 | 3 | 0.17 |
| agua | 3.00 | 3.00 | 0.33 | 1.00 | 1.00 | 1.00 | 6 | 1.00 |
| pend | 0.33 | 0.33 | 0.17 | 1.00 | 1.00 | 1.00 | 6 | 3.00 |
| inso | 0.33 | 0.17 | 0.17 | 0.33 | 0.17 | 0.17 | 1 | 0.33 |
| elev | 1.00 | 6.00 | 0.33 | 6.00 | 1.00 | 0.33 | 3 | 1.00 |
| acce | temp | pluv | habi | agua | pend | inso | elev | |
|---|---|---|---|---|---|---|---|---|
| acce | 1.00 | 1.00 | 1.00 | 3 | 6.00 | 6.00 | 6.00 | 6.00 |
| temp | 1.00 | 1.00 | 1.00 | 6 | 6.00 | 6.00 | 6.00 | 6.00 |
| pluv | 1.00 | 1.00 | 1.00 | 6 | 3.00 | 3.00 | 6.00 | 6.00 |
| habi | 0.33 | 0.17 | 0.17 | 1 | 0.17 | 0.17 | 0.33 | 0.17 |
| agua | 0.17 | 0.17 | 0.33 | 6 | 1.00 | 1.00 | 6.00 | 6.00 |
| pend | 0.17 | 0.17 | 0.33 | 6 | 1.00 | 1.00 | 6.00 | 6.00 |
| inso | 0.17 | 0.17 | 0.17 | 3 | 0.17 | 0.17 | 1.00 | 0.33 |
| elev | 0.17 | 0.17 | 0.17 | 6 | 0.17 | 0.17 | 3.00 | 1.00 |
| acce | temp | pluv | habi | agua | pend | inso | elev | |
|---|---|---|---|---|---|---|---|---|
| acce | 1.00 | 9.00 | 3.00 | 3.00 | 9.00 | 6.00 | 9 | 6.00 |
| temp | 0.11 | 1.00 | 0.17 | 0.11 | 3.00 | 0.17 | 1 | 0.17 |
| pluv | 0.33 | 6.00 | 1.00 | 0.17 | 6.00 | 6.00 | 9 | 6.00 |
| habi | 0.33 | 9.00 | 6.00 | 1.00 | 9.00 | 6.00 | 9 | 3.00 |
| agua | 0.11 | 0.33 | 0.17 | 0.11 | 1.00 | 0.17 | 3 | 0.11 |
| pend | 0.17 | 6.00 | 0.17 | 0.17 | 6.00 | 1.00 | 3 | 0.17 |
| inso | 0.11 | 1.00 | 0.11 | 0.11 | 0.33 | 0.33 | 1 | 0.17 |
| elev | 0.17 | 6.00 | 0.17 | 0.33 | 9.00 | 6.00 | 6 | 1.00 |
| acce | temp | pluv | habi | agua | pend | inso | elev | |
|---|---|---|---|---|---|---|---|---|
| acce | 1.00 | 1.00 | 0.33 | 0.33 | 3.00 | 0.17 | 1.00 | 1.00 |
| temp | 1.00 | 1.00 | 0.33 | 3.00 | 0.33 | 3.00 | 1.00 | 0.33 |
| pluv | 3.00 | 3.00 | 1.00 | 6.00 | 0.33 | 0.11 | 3.00 | 1.00 |
| habi | 3.00 | 0.33 | 0.17 | 1.00 | 0.17 | 6.00 | 0.33 | 1.00 |
| agua | 0.33 | 3.00 | 3.00 | 6.00 | 1.00 | 0.17 | 1.00 | 0.33 |
| pend | 6.00 | 0.33 | 9.00 | 0.17 | 6.00 | 1.00 | 6.00 | 1.00 |
| inso | 1.00 | 1.00 | 0.33 | 3.00 | 1.00 | 0.17 | 1.00 | 1.00 |
| elev | 1.00 | 3.00 | 1.00 | 1.00 | 3.00 | 1.00 | 1.00 | 1.00 |
| acce | temp | pluv | habi | agua | pend | inso | elev | |
|---|---|---|---|---|---|---|---|---|
| acce | 1.00 | 0.33 | 0.33 | 1.00 | 3.00 | 3 | 0.33 | 3 |
| temp | 3.00 | 1.00 | 1.00 | 3.00 | 3.00 | 3 | 1.00 | 3 |
| pluv | 3.00 | 1.00 | 1.00 | 3.00 | 6.00 | 6 | 1.00 | 6 |
| habi | 1.00 | 0.33 | 0.33 | 1.00 | 0.33 | 3 | 0.33 | 1 |
| agua | 0.33 | 0.33 | 0.17 | 3.00 | 1.00 | 3 | 0.33 | 3 |
| pend | 0.33 | 0.33 | 0.17 | 0.33 | 0.33 | 1 | 0.17 | 1 |
| inso | 3.00 | 1.00 | 1.00 | 3.00 | 3.00 | 6 | 1.00 | 6 |
| elev | 0.33 | 0.33 | 0.17 | 1.00 | 0.33 | 1 | 0.17 | 1 |
Como primera evaluación de la calidad de la matriz de comparación en parejas, calculamos las preferencias de ponderación individuales de los consultados, para generar una tabla resumen con los pesos de preferencia de cada consultado. Este cálculo se realiza normalizando las matrices para que todas las columnas sumen 1, y luego se calculan los promedios por filas como los pesos de preferencia de cada atributo. Los promedios se pueden obtener de 4 formas posibles: media aritmética, media geométrica, media cuadrática y vector propio (eigen vector).
Usando las diferencias de los promedios de preferencias individuales, evaluamos las diferencias máximas entre métodos, como forma indirecta de determinar si existe consistencia en las valoraciones dadas por cada personas consultada; diferencias máximas mayores de 0.05 se consideran, a priori, dignas de escrutinio posterior (ver figura 1).
eigentrue <- ahp.indpref(matriz_ahp, atts = names(variables), method = "eigen")
geom <- ahp.indpref(matriz_ahp, atts = names(variables), method = "arithmetic")
error <- data.frame(id = 1:length(matriz_ahp), maxdiff = apply(abs(eigentrue - geom), 1, max))
error %>%
ggplot(aes(x = id, y = maxdiff)) +
geom_point() +
geom_hline(yintercept = 0.05, linetype = "dashed", color = "red") +
geom_hline(yintercept = 0, color = "gray50") +
scale_x_continuous(breaks = seq_len(nrow(tabla_col_renom)), "ID de persona consultada") +
scale_y_continuous("Diferencia máxima") +
theme_minimal()
Figure 1: Diferencias de los promedios de preferencias individuales entre los métodos “media aritmética” y “valor propio”
En este caso, la persona consultada número 3 parece haber aportado respuestas inconsistentes, por lo que este primer resultado, a priori, nos anima a revisar a fondo la consistencia de la matriz de comparación. A tal efecto, existen métricas específicas y mucho más robustas que el método de las diferencias mostrado arriba, para evaluar la consistencia de la matriz de comparación, como es por ejemplo la ratio o razón de consistencia \(CR\), analizada en la próxima sección.
La métrica convencional para evaluar la consistencia de las respuestas aportadas por las personas consultadas es la razón de consistencia, la cual viene dada por la fórmula siguiente:
\[CR = \bigg(\frac{\lambda_{max}-n}{n-1}\bigg)\bigg(\frac{1}{RI}\bigg)\]
donde \(CR\) es la razón de consistencia, \(\lambda_{max}\) es el valor propio más grande del vector de comparación por parejas, \(n\) es el número de atributos, en nuestro caso, \(8\), y \(RI\) es un índice aleatorio que puede ser provisto por el usuario a partir de simulaciones, que con el paquete ahpsurvey se puede generar mediante la función ahp.ri. El conjunto de \(RI\) a continuación se generó a partir de ahp.ri con 500000 simulaciones (ver tabla 6), y están contenidas en la viñeta principal de la documentación del paquete ahpsurvey (Cho 2019):
ri_sim <- t(data.frame(RI = c(0.0000000, 0.0000000, 0.5251686, 0.8836651, 1.1081014, 1.2492774, 1.3415514, 1.4048466, 1.4507197, 1.4857266, 1.5141022,1.5356638, 1.5545925, 1.5703498, 1.5839958)))
colnames(ri_sim) <- 1:15
ri_sim %>%
kable(format = 'html', escape = F, booktabs = T, digits = 2,
caption = 'Índices aleatorios generados por la función ahp.ri con 500000 simulaciones para 1 a 15 atributos') %>%
kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T)
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| RI | 0 | 0 | 0.53 | 0.88 | 1.11 | 1.25 | 1.34 | 1.4 | 1.45 | 1.49 | 1.51 | 1.54 | 1.55 | 1.57 | 1.58 |
Para fines de impresión, la tabla sólo muestra dos dígitos, pero en el caso concreto de 8 atributos, el \(RI\) a usar sería 1.4048466. Adicionalmente, comprobamos este resultado por nuestra cuenta. Para ello usamos la función ahp.ri y generamos un \(RI\) con 10000 simulaciones para 8 atributos (argumento dim de la referida función), fijando la aleatorización en el número 99.
tiempo_10k <- system.time(probandoRI <- ahp.ri(nsims = 10000, dim = 8, seed = 99))
El tiempo de cómputo fue relativamente pequeño (~ 2 segundos) y el resultado para \(RI\) es 1.399982, el cual se aproxima bastante al generado por Cho (2019) (tabla 6). Si generásemos un \(RI\) con 500000 simulaciones, nos tomaría al menos un minuto y medio en una PC de altas prestaciones (o varios minutos en una PC común), y el resultado sería bastante parecido al mostrado por Cho (2019), por lo que nos parece conveniente usar este último (\(RI=1.4048466\)).
RI <- ri_sim[8]
Con este índice aleatorio, calculamos la razón de consistencia CR de las respuestas aportadas por cada persona consultada, mediante la función ahp.cr aplicada a la matriz de comparación en parejas. La tabla 7 resume el cómputo de esta métrica.
cr <- matriz_ahp %>% ahp.cr(atts = names(variables), ri = RI)
data.frame(`Persona consultada` = seq_along(cr), CR = cr, check.names = F) %>%
estilo_kable(titulo = 'Razones de consistencia (consistency ratio) por persona consultada',
cubre_anchura = F) %>%
kable_styling(position = 'left') %>%
column_spec(column = 1:2, width = "10em")
| Persona consultada | CR |
|---|---|
| 1 | 0.09 |
| 2 | 0.07 |
| 3 | 0.47 |
| 4 | 0.07 |
| 5 | 0.23 |
| 6 | 0.15 |
| 7 | 0.17 |
| 8 | 0.60 |
| 9 | 0.06 |
umbral_saaty <- 0.1
umbral_alterno <- 0.15
umbral <- ifelse(recod_repartida, umbral_alterno, umbral_saaty)
Saaty demostró que cuando el \(CR\) es superior a un umbral rígido de 0.1, la elección se considera inconsistente (Thomas L. Saaty 1977). En nuestro caso, elegimos el umbral de 0.1 para \(CR\), por lo que obtuvimos un total de 4 valoraciones consistentes (personas consultadas números 1, 2, 4, 9) y 5 inconsistentes (personas números 3, 5, 6, 7, 8) (comparar con tabla 7).
table(ifelse(cr <= umbral, 'Consistente', 'Inconsistente')) %>% as.data.frame() %>%
setNames(nm = c('Tipo', 'Número de cuestionarios')) %>%
estilo_kable(titulo = 'Número de cuestionarios según consistencia',
cubre_anchura = F) %>%
kable_styling(position = 'left') %>%
column_spec(column = 1:2, width = "10em")
| Tipo | Número de cuestionarios |
|---|---|
| Consistente | 4 |
| Inconsistente | 5 |
Calculamos también las preferencias o prioridades asignadas por cada persona consultada, así como la ponderación correspondiente (peso, valor propio dominante), mediante la función ahp.indpref, que proporciona una relación detallada. La visualización de los diagramas de cajas, gráficos de violín (que son gráficos de densidad en espejo acompañando al diagrama de cajas) y los puntos (jitter), todos superpuestos, resulta útil para visualizar la heterogeneidad de las ponderaciones de cada persona consultada por atributo. Aunque esta este tipo de gráfico es más conveniente para un número mayor de personas consultadas, la visualización con nuestros datos es bastante expresiva.
cr_indicador <- cr %>%
data.frame() %>%
mutate(`Persona consultada` = seq_along(cr), `CR indicador` = as.factor(ifelse(cr <= umbral, 1, 0))) %>%
select(`CR indicador`, `Persona consultada`)
matriz_ahp %>%
ahp.indpref(names(variables), method = "eigen") %>%
mutate(`Persona consultada` = seq_along(cr)) %>%
left_join(cr_indicador, by = 'Persona consultada') %>%
gather(-matches('Persona|CR'), key = "var", value = "pref") %>%
ggplot(aes(x = var, y = pref)) +
geom_violin(alpha = 0.6, width = 0.8, color = "transparent", fill = "gray") +
geom_jitter(alpha = 0.6, height = 0, width = 0.1, aes(color = `CR indicador`)) +
geom_boxplot(alpha = 0, width = 0.3, color = "#808080") +
scale_x_discrete("Atributo", labels = stringr::str_wrap(variables[sort(names(variables))], width = 10)) +
scale_y_continuous("Peso (valor propio dominante)",
labels = scales::percent,
breaks = c(seq(0,0.7,0.1))) +
guides(color=guide_legend(title=NULL)) +
scale_color_discrete(breaks = c(0,1),
type = c("#F8766D", "#00BA38"),
labels = c(paste("CR >", umbral),
paste("CR <", umbral))) +
labs(NULL, caption = paste("n =", nrow(tabla_col_renom), ",", "CR promedio =",
round(mean(cr),3))) +
theme_minimal() +
theme(legend.position = 'bottom', axis.text.x = element_text(size = 7))
Figure 2: Preferencias individuales por atributo y ratio de consistencia
La figura 2 resume las preferencias asignadas por las personas consultadas, con indicación de la consistencia de las mismas. Las dos estacionalidades, térmica y pluviométrica, así como las horas de insolación debidas a terreno y la elevación, reúnen la mayor parte de las preferencias de respuestas consistentes (puntos verdes); nótese que se han incluido las preferencias de respuestas inconsistentes también (puntos rojos). Por otra parte, los atributos que reciben menor ponderación son distancias a accesos y a cuerpos de agua, heterogeneidad de hábitat y pendiente.
Repitiendo el gráfico de preferencias individuales por atributo y ratio de consistencia, pero usando sólo las respuestas consistentes, obtenemos un claro patrón de preferencia por las dos estacionalidades, las horas de insolación y la elevación.
matriz_ahp[cr_indicador[,1]==1] %>%
ahp.indpref(names(variables), method = "eigen") %>%
mutate(`Persona consultada` = cr_indicador[cr_indicador[,1]==1, 'Persona consultada']) %>%
inner_join(cr_indicador[cr_indicador[,1]==1,], by = 'Persona consultada') %>%
gather(-matches('Persona|CR'), key = "var", value = "pref") %>%
ggplot(aes(x = var, y = pref)) +
geom_violin(alpha = 0.6, width = 0.8, color = "transparent", fill = "gray") +
geom_jitter(alpha = 0.6, height = 0, width = 0.1, color = "#00BA38") +
geom_boxplot(alpha = 0, width = 0.3, color = "#808080") +
scale_x_discrete("Atributo", labels = stringr::str_wrap(variables[sort(names(variables))], width = 10)) +
scale_y_continuous("Peso (valor propio dominante)",
labels = scales::percent,
breaks = c(seq(0,0.7,0.1))) +
guides(color=guide_legend(title=NULL)) +
labs(NULL, caption = paste("n =", nrow(cr_indicador[cr_indicador[,1]==1,]),
",", "CR promedio =",
round(mean(cr[cr_indicador[,1]==1]),3))) +
theme_minimal() +
theme(legend.position = 'bottom', axis.text.x = element_text(size = 7))
Figure 3: Preferencias individuales por atributo y ratio de consistencia, sólo respuestas consistentes
Para la aplicación de los criterios, primero obtuvimos la matriz de preferencias individuales y agregadas, conteniendo los pesos otorgados a cada criterio. Mediante el método de procesamiento abreviado mostrado a continuación, obtuvimos la matriz de pesos de acuerdo con el umbral de consistencia elegido, que en nuestro caso es 0.1. De esta manera, generamos una matriz de pesos sólo con las respuestas consistentes. Verificamos igualmente que la suma de los pesos sea igual a 1.
flujo_completo_ahp <- ahp(df = tabla_col_renom[, col_ord],
atts = names(variables),
negconvert = TRUE,
reciprocal = TRUE,
method = 'arithmetic',
aggmethod = "arithmetic",
qt = 0.2,
censorcr = umbral,
agg = TRUE)
## [1] "Number of observations censored = 5"
# sum(flujo_completo_ahp$aggpref[,1]) == 1
Las tablas 9 y 10 muestran las preferencias individuales y agregadas, respectivamente, de las personas entrevistadas cuyas respuestas fueron consistentes. Las matriz agregada constituye el resultado principal del AHP, el cual aplicaremos a los criterios reclasificados. En las secciones siguientes, explicamos en detalle el procedimiento seguido para la reclasificación de criterios y la aplicación de los pesos obtenidos por el método AHP.
kable_prefind <- flujo_completo_ahp$indpref %>%
mutate(`Persona consultada` = cr_indicador[cr_indicador[,1]==1, 'Persona consultada']) %>%
relocate(`Persona consultada`) %>%
estilo_kable(titulo = 'Preferencias individuales',
cubre_anchura = F) %>%
kable_styling(position = 'left') %>%
column_spec(column = 1:2, width = "10em")
kable_prefind
| Persona consultada | acce | temp | pluv | habi | agua | pend | inso | elev | CR | top1 | top2 | top3 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 0.04 | 0.22 | 0.32 | 0.16 | 0.02 | 0.02 | 0.08 | 0.14 | 0.09 | acce_pend | pluv_elev | pend_inso |
| 2 | 0.09 | 0.23 | 0.25 | 0.07 | 0.07 | 0.03 | 0.11 | 0.16 | 0.07 | habi_agua | habi_inso | pluv_agua |
| 4 | 0.06 | 0.05 | 0.28 | 0.05 | 0.06 | 0.06 | 0.31 | 0.14 | 0.07 | temp_inso | habi_inso | temp_pend |
| 9 | 0.10 | 0.19 | 0.25 | 0.07 | 0.09 | 0.04 | 0.22 | 0.04 | 0.06 | habi_agua | agua_elev | acce_elev |
kable_prefagg <- flujo_completo_ahp$aggpref %>%
as.data.frame() %>%
rownames_to_column('Variable') %>%
mutate(Variable = factor(Variable, labels = variables[sort(names(variables))])) %>%
arrange(desc(AggPref)) %>%
estilo_kable(titulo = 'Preferencias agregadas',
cubre_anchura = F) %>%
kable_styling(position = 'left') %>%
column_spec(column = 1:2, width = "10em")
kable_prefagg
| Variable | AggPref | SD.AggPref |
|---|---|---|
| estacionalidad pluviométrica | 0.27 | 0.04 |
| horas de insolación | 0.18 | 0.11 |
| estacionalidad térmica | 0.17 | 0.08 |
| elevación | 0.12 | 0.05 |
| heterogeneidad de hábitat | 0.09 | 0.05 |
| distancia a accesos | 0.07 | 0.03 |
| distancia a cuerpos de agua | 0.06 | 0.03 |
| pendiente | 0.04 | 0.02 |
Utilizamos múltiples fuentes cartográficas como variables de territorio para modelizar la idoneidad de sitios candidatos para la instalación de estaciones meteoclimáticas. Originalmente, disponíamos de más de 100 fuentes para realizar nuestros análisis, pero elegimos sólo ocho de ellas en la ponderación realizada por expertos para el método AHP, por considerarlas relevantes siguiendo recomendaciones de estudios previos (Rojas Briceño et al. 2021).
Las fuentes disponibles eran capas ráster servidas bajo distintas resoluciones y sistemas de referencia, por lo que fue necesario aplicar algoritmos de estadística zonal (reducción) y consolidar resultados en una geometría vectorial común. Para ello, redujimos todas las fuentes ráster al índice geoespacial de hexágonos H3 (hex bins) (Martínez-Batlle 2022). Probamos distintas resoluciones de dicho índice, y tras algunas pruebas, elegimos la resolución “7”. Con esta resolución, cubrimos el territorio dominicano (más un área de influencia) con aproximadamente 13,000 hexágonos de ca. 4\(km^2\) cada uno. Dentro de cada hexágono, por medio de estadística zonal, obtuvimos la media de cada variable, la cual utilizamos como estadístico de referencia en la reclasificación descrita a continuación.
Reclasificamos los valores promedio de las ocho variables seleccionadas, aplicando criterios definidos por el equipo de investigación para cada criterio, para lo cual utilizamos conocimiento experto y referencias bibliográficas especializadas en redes de monitoreo meteoclimático, y adaptando las escalas a la realidad insular (FAO, n.d.; Rojas Briceño et al. 2021). A cada criterio, y para cada hexágono, asignamos un entero en una escala ordinal del 1 al 4 (de “no idóneo” a “altamente idóneo”). Para facilitar esta tarea, y garantizar reproducibilidad y consistencia, creamos funciones que realizaron la reclasificación de forma semitautomática. Representamos a continuación, para cada criterio, los valores originales mediante gráfico de violín, mostramos los intervalos usados en la reclasificación, y la representamos cartográficamente.
source('R/funciones.R')
library(sf)
library(kableExtra)
res_h3 <- 7 #Escribir un valor entre 4 y 7, ambos extremos inclusive
ruta_ez_gh <- 'https://raw.githubusercontent.com/geofis/zonal-statistics/'
# ez_ver <- 'da5b4ed7c6b126fce15f8980b7a0b389937f7f35/'
ez_ver <- 'd7f79365168e688f0d78f521e53fbf2da19244ef/'
ind_esp_url <- paste0(ruta_ez_gh, ez_ver, 'out/all_sources_all_variables_res_', res_h3, '.gpkg')
ind_esp_url
## [1] "https://raw.githubusercontent.com/geofis/zonal-statistics/d7f79365168e688f0d78f521e53fbf2da19244ef/out/all_sources_all_variables_res_7.gpkg"
if(!any(grepl('^ind_esp$', ls()))){
ind_esp <- st_read(ind_esp_url, optional = T, quiet = T)
st_geometry(ind_esp) <- "geometry"
ind_esp <- st_transform(ind_esp, 32619)
}
if(!any(grepl('^pais_url$', ls()))){
pais_url <- paste0(ruta_ez_gh, ez_ver, 'inst/extdata/dr.gpkg')
pais <- invisible(st_read(pais_url, optional = T, layer = 'pais', quiet = T))
st_geometry(pais) <- "geometry"
pais <- st_transform(pais, 32619)
}
if(!any(grepl('^ind_esp_inters$', ls()))){
ind_esp_inters <- st_intersection(pais, ind_esp)
colnames(ind_esp_inters) <- colnames(ind_esp)
ind_esp_inters$area_sq_m <- units::drop_units(st_area(ind_esp_inters))
ind_esp_inters$area_sq_km <- units::drop_units(st_area(ind_esp_inters))/1000000
}
if(!any(grepl('^ind_esp_inters$', ls())) && interactive()){
print(ind_esp_inters)
}
Definición de los objetos de reclasificación de los criterios.
# Objeto que acogerá nombres de objetos
objetos <- character()
objeto <- 'osm_rcl'
assign(
objeto,
generar_resumen_grafico_estadistico_criterios(
variable = 'OSM-DIST mean',
umbrales = c(50, 200, 500, 5000),
nombre = variables[[1]],
ord_cat = 'nin_rev')
)
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 12.76 289.04 534.24 1243.20 1412.68 32795.66 2
get(objeto)[c('violin', 'mapa_con_pais')]
## $violin
##
## $mapa_con_pais
get(objeto)[['intervalos_y_etiquetas_kable']]
| distancia a accesos intervalos | distancia a accesos etiquetas | distancia a accesos puntuación |
|---|---|---|
| [12.8,50] | no idóneo | 1 |
| (50,200] | altamente idóneo | 4 |
| (200,500] | moderadamente idóneo | 3 |
| (500,5e+03] | marginalmente idóneo | 2 |
| (5e+03,3.28e+04] | no idóneo | 1 |
# clipr::write_clip(get(objeto)$intervalos_y_etiquetas)
if(!objeto %in% objetos) objetos <- c(objetos, objeto)
objeto <- 'tseasonizzo_rcl'
assign(
objeto,
generar_resumen_grafico_estadistico_criterios(
variable = 'TSEASON-IZZO mean',
umbrales = c(1.1, 1.3, 1.5),
nombre = variables[[2]],
ord_cat = 'ni')
)
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.573 1.195 1.301 1.326 1.477 1.866 105
get(objeto)[c('violin', 'mapa_con_pais')]
## $violin
##
## $mapa_con_pais
get(objeto)[['intervalos_y_etiquetas_kable']]
| estacionalidad térmica intervalos | estacionalidad térmica etiquetas | estacionalidad térmica puntuación |
|---|---|---|
| [0.573,1.1] | no idóneo | 1 |
| (1.1,1.3] | marginalmente idóneo | 2 |
| (1.3,1.5] | moderadamente idóneo | 3 |
| (1.5,1.87] | altamente idóneo | 4 |
# clipr::write_clip(get(objeto)$intervalos_y_etiquetas)
if(!objeto %in% objetos) objetos <- c(objetos, objeto)
objeto <- 'pseasonizzo_rcl'
assign(
objeto,
generar_resumen_grafico_estadistico_criterios(
variable = 'PSEASON-IZZO mean',
umbrales = c(30, 40, 50),
nombre = variables[[3]],
ord_cat = 'ni')
)
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 19.51 31.14 43.51 42.76 52.55 89.60 105
get(objeto)[c('violin', 'mapa_con_pais')]
## $violin
##
## $mapa_con_pais
get(objeto)[['intervalos_y_etiquetas_kable']]
| estacionalidad pluviométrica intervalos | estacionalidad pluviométrica etiquetas | estacionalidad pluviométrica puntuación |
|---|---|---|
| [19.5,30] | no idóneo | 1 |
| (30,40] | marginalmente idóneo | 2 |
| (40,50] | moderadamente idóneo | 3 |
| (50,89.6] | altamente idóneo | 4 |
# clipr::write_clip(get(objeto)$intervalos_y_etiquetas)
if(!objeto %in% objetos) objetos <- c(objetos, objeto)
objeto <- 'hethab_rcl'
assign(
objeto,
generar_resumen_grafico_estadistico_criterios(
variable = 'GHH coefficient_of_variation_1km',
umbrales = c(300, 450, 600),
nombre = variables[[4]],
ord_cat = 'in')
)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0 317.6 399.6 481.4 529.5 3563.4
get(objeto)[c('violin', 'mapa_con_pais')]
## $violin
##
## $mapa_con_pais
get(objeto)[['intervalos_y_etiquetas_kable']]
| heterogeneidad de hábitat intervalos | heterogeneidad de hábitat etiquetas | heterogeneidad de hábitat puntuación |
|---|---|---|
| [0,300] | altamente idóneo | 4 |
| (300,450] | moderadamente idóneo | 3 |
| (450,600] | marginalmente idóneo | 2 |
| (600,3.56e+03] | no idóneo | 1 |
# clipr::write_clip(get(objeto)$intervalos_y_etiquetas)
if(!objeto %in% objetos) objetos <- c(objetos, objeto)
objeto <- 'wbwdist_rcl'
assign(
objeto,
generar_resumen_grafico_estadistico_criterios(
variable = 'WBW-DIST mean',
umbrales = c(1000, 2000, 3000),
nombre = variables[[5]],
ord_cat = 'ni')
)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0 2698 6069 7134 10545 26424
get(objeto)[c('violin', 'mapa_con_pais')]
## $violin
##
## $mapa_con_pais
get(objeto)[['intervalos_y_etiquetas_kable']]
| distancia a cuerpos de agua intervalos | distancia a cuerpos de agua etiquetas | distancia a cuerpos de agua puntuación |
|---|---|---|
| [0,1e+03] | no idóneo | 1 |
| (1e+03,2e+03] | marginalmente idóneo | 2 |
| (2e+03,3e+03] | moderadamente idóneo | 3 |
| (3e+03,2.64e+04] | altamente idóneo | 4 |
# clipr::write_clip(get(objeto)$intervalos_y_etiquetas)
if(!objeto %in% objetos) objetos <- c(objetos, objeto)
objeto <- 'slope_rcl'
assign(
objeto,
generar_resumen_grafico_estadistico_criterios(
variable = 'G90 Slope',
umbrales = c(3, 9, 15),
nombre = variables[[6]],
ord_cat = 'in')
)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 1.370 4.489 6.773 10.840 32.705
get(objeto)[c('violin', 'mapa_con_pais')]
## $violin
##
## $mapa_con_pais
get(objeto)[['intervalos_y_etiquetas_kable']]
| pendiente intervalos | pendiente etiquetas | pendiente puntuación |
|---|---|---|
| [0,3] | altamente idóneo | 4 |
| (3,9] | moderadamente idóneo | 3 |
| (9,15] | marginalmente idóneo | 2 |
| (15,32.7] | no idóneo | 1 |
# clipr::write_clip(get(objeto)$intervalos_y_etiquetas)
if(!objeto %in% objetos) objetos <- c(objetos, objeto)
objeto <- 'insol_rcl'
assign(
objeto,
generar_resumen_grafico_estadistico_criterios(
variable = 'YINSOLTIME mean',
umbrales = c(3900, 4100, 4300),
nombre = variables[[7]],
ord_cat = 'ni')
)
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 3176 4092 4296 4232 4421 4483 104
get(objeto)[c('violin', 'mapa_con_pais')]
## $violin
##
## $mapa_con_pais
get(objeto)[['intervalos_y_etiquetas_kable']]
| horas de insolación intervalos | horas de insolación etiquetas | horas de insolación puntuación |
|---|---|---|
| [3.18e+03,3.9e+03] | no idóneo | 1 |
| (3.9e+03,4.1e+03] | marginalmente idóneo | 2 |
| (4.1e+03,4.3e+03] | moderadamente idóneo | 3 |
| (4.3e+03,4.48e+03] | altamente idóneo | 4 |
# clipr::write_clip(get(objeto)$intervalos_y_etiquetas)
if(!objeto %in% objetos) objetos <- c(objetos, objeto)
objeto <- 'ele_rcl'
assign(
objeto,
generar_resumen_grafico_estadistico_criterios(
variable = 'CGIAR-ELE mean',
umbrales = c(200, 400, 800),
nombre = variables[[8]],
ord_cat = 'ni')
)
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## -42.00 57.76 186.78 386.79 542.70 2791.69 35
get(objeto)[c('violin', 'mapa_con_pais')]
## $violin
##
## $mapa_con_pais
get(objeto)[['intervalos_y_etiquetas_kable']]
| elevación intervalos | elevación etiquetas | elevación puntuación |
|---|---|---|
| (200,400] | marginalmente idóneo | 2 |
| (400,800] | moderadamente idóneo | 3 |
| (800,2.79e+03] | altamente idóneo | 4 |
| [-42,200] | no idóneo | 1 |
# clipr::write_clip(get(objeto)$intervalos_y_etiquetas)
if(!objeto %in% objetos) objetos <- c(objetos, objeto)
Los umbrales elegidos para definir las puntuaciones de criterios, están recogidos en la tabla (ver tabla 19).
puntuaciones_umbrales <- map(objetos, function(x) get(x)[['intervalos_y_etiquetas']] %>%
pivot_longer(cols = -matches('puntuación|etiquetas'), names_to = 'criterio') %>%
mutate(criterio = gsub(' intervalos', '', criterio)) %>%
group_by(across(all_of(matches('etiquetas|criterio')))) %>%
summarise(value = paste(value, collapse = ' y ')) %>%
pivot_wider(names_from = contains('etiquetas'), values_from = value) %>%
select(criterio, `altamente idóneo`, `moderadamente idóneo`, `marginalmente idóneo`, `no idóneo`)
) %>% bind_rows()
readODS::write_ods(puntuaciones_umbrales, 'fuentes/umbrales-criterios-ahp/puntuaciones.ods')
puntuaciones_umbrales %>% kable(format = 'html', escape = F, booktabs = T, digits = 2,
caption = 'Puntuaciones de criterios para la selección de sitios de estaciones meteoclimáticas') %>%
kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T)
| criterio | altamente idóneo | moderadamente idóneo | marginalmente idóneo | no idóneo |
|---|---|---|---|---|
| distancia a accesos | (50,200] | (200,500] | (500,5e+03] | [12.8,50] y (5e+03,3.28e+04] |
| estacionalidad térmica | (1.5,1.87] | (1.3,1.5] | (1.1,1.3] | [0.573,1.1] |
| estacionalidad pluviométrica | (50,89.6] | (40,50] | (30,40] | [19.5,30] |
| heterogeneidad de hábitat | [0,300] | (300,450] | (450,600] | (600,3.56e+03] |
| distancia a cuerpos de agua | (3e+03,2.64e+04] | (2e+03,3e+03] | (1e+03,2e+03] | [0,1e+03] |
| pendiente | [0,3] | (3,9] | (9,15] | (15,32.7] |
| horas de insolación | (4.3e+03,4.48e+03] | (4.1e+03,4.3e+03] | (3.9e+03,4.1e+03] | [3.18e+03,3.9e+03] |
| elevación | (800,2.79e+03] | (400,800] | (200,400] | [-42,200] |
Unir los vectoriales de cada criterio y representar mapa.
all_criteria <- map(objetos[2:length(objetos)], ~ get(.x)[['vectorial']] %>% st_drop_geometry) %>%
prepend(list(get(objetos[1])[['vectorial']])) %>%
reduce(left_join, by = "hex_id")
all_criteria %>% st_write('out/intervalos_etiquetas_puntuaciones_AHP_criterios_separados.gpkg', delete_dsn = T)
## Deleting source `out/intervalos_etiquetas_puntuaciones_AHP_criterios_separados.gpkg' using driver `GPKG'
## Writing layer `intervalos_etiquetas_puntuaciones_AHP_criterios_separados' to data source
## `out/intervalos_etiquetas_puntuaciones_AHP_criterios_separados.gpkg' using driver `GPKG'
## Writing 13152 features with 25 fields and geometry type Unknown (any).
Mapas puntuaciones reclasificadas de cada criterio.
paleta <- c("altamente idóneo" = "#018571", "moderadamente idóneo" = "#80cdc1",
"marginalmente idóneo" = "#dfd2b3", "no idóneo" = "#a6611a")
all_criteria_mapa <- all_criteria %>%
select(all_of(contains('etiquetas'))) %>%
rename_with(~ stringr::str_replace(.x,
pattern = ' etiquetas',
replacement = ''),
matches('etiquetas')) %>%
pivot_longer(cols = -geometry) %>%
ggplot +
aes(fill = value) +
geom_sf(lwd=0) +
scale_fill_manual(values = paleta) +
labs(title = paste('Reclasificación de valores de criterios')) +
geom_sf(data = pais, fill = 'transparent', lwd = 0.5, color = 'grey50') +
facet_wrap(~ name, ncol = 2) +
theme_bw() +
theme(
legend.position = 'bottom',
legend.key.size = unit(0.5, 'cm'), #change legend key size
legend.key.height = unit(0.5, 'cm'), #change legend key height
legend.key.width = unit(0.5, 'cm'), #change legend key width
legend.title = element_blank(), #change legend title font size
legend.text = element_text(size=2) #change legend text font size
)
if(interactive()) dev.new()
all_criteria_mapa